摘 要

随着社会的不断发展，人们对于食品安全也越来越重视。我国也逐步建立起自己的食品安全追溯系统，但在叶类蔬菜信息采集的过程中，遇到了诸如叶类蔬菜信息采集的准确性、标准化以及商品化等问题。本文针对这些问题，提出了相关解决方法。

本文以菠菜、空心菜、白菜、生菜和油麦菜为研究对象，对这五种叶类蔬菜共拍摄采集250张样本图像，其中200张作为训练集，50张作为测试集。并且通过Visual Studio的编译环境，调用计算机视觉库OpenCV里的函数，对采集到的叶类蔬菜图像进行预处理、图像分割、颜色和形状特征提取等一系列操作，同时利用支持向量机SVM，根据每一种叶类蔬菜不同的特点进行训练，建立相关分类模型。最后，对测试集图像进行识别分类，结果显示分类正确率为96%。实验结果证明，基于颜色和形状的叶类蔬菜图像分类识别的方法是有效可行的。

关键词：特征提取；形状特征；颜色特征；OpenCV

Abstract

With the development of social economy, people are paying more and more attention to the food safety. China has also gradually established its own food safety traceability system, but there are some problems in the process of collecting information about leaf vegetables, such as the accuracy of the leaf vegetable species information, the standardization of leaf vegetable species name, the commercialization of the vegetable species identification. Aiming at these problems, this paper puts forward some relevant solutions.

This paper takes spinach, water spinach, Chinese cabbage, lettuce and rape as the research objects. 250 sample images were collected from these five kinds of leafy vegetables, of which 200 were used as training sets and 50 as test sets. And through the compilation environment of Visual Studio, the function of Computer Vision Library OpenCV is called to do some research on the leaf vegetable images, include the image preprocessing, segmentation, feature extraction, classifier design. At the same time, Support Vector Machine (SVM) was used f to train according to the different characteristics of each leafy vegetable, and the relevant classification model was established., and the classification accuracy was reach 96%. The experimental result shows that the image classification and recognition method based on color and shape and is effective and feasible.

Keywords：feature extraction；color feature；shape feature；OpenCV

目 录

第1章 绪论 1

1.1 研究背景及意义 1

1.1.1 研究背景 1

1.1.2 研究目的及意义 2

1.2 国内外研究现状 2

1.2.1 国外研究现状 2

1.2.2 国内研究现状 3

1.3 论文主要内容及结构安排 4

1.3.1 主要内容 4

1.3.2 结构安排 4

第2章 叶类蔬菜识别分类系统的总体方案设计 6

2.1 系统硬件设计 6

2.2 系统软件设计 7

2.2.1 开发环境 7

2.2.2 计算机视觉库OpenCV 7

2.3 图像采集 7

2.4 本章小结 8

第3章 叶类蔬菜图像的预处理及图像分割 9

3.1 图像预处理 9

3.1.1 灰度变换 9

3.1.2 图像二值化 10

3.1.3 图像滤波去噪 11

3.2 图像分割 12

3.2.1 边缘检测 13

3.2.2 阈值分割 14

3.3 本章小结 15

第4章 叶类蔬菜图像信息特征分析与提取 16

4.1 颜色模型的选择 16

4.1.1 RGB颜色空间 17

4.1.2 HSV颜色空间 17

4.1.3 颜色空间 18

4.2 颜色特征提取 19

4.3 形状特征的提取与选择 20

4.3.1 形状特征的选择 20

4.3.2 形状特征的提取 21

4.4 本章小结 24

第5章 叶类蔬菜图像识别分类 25

5.1 支持向量机（SVM）原理介绍 25

5.1.1 线性可分模式 25

5.1.2 线性不可分模式 27

5.1.3 常见的核函数 28

5.2 构建分类器 28

5.3 SVM分类结果 29

5.4 系统的经济性环保性分析 31

5.4.1 经济效益分析 31

5.4.2 环保性分析 32

5.5 本章小结 32

第6章 总结与展望 33

6.1 本文总结 33

6.2 不足与展望 33

致谢 35

参考文献 36

第1章 绪论

1.1 研究背景及意义

1.1.1 研究背景

随着经济水平的不断提高和科技的不断进步，人们对人工智能的研究不断深入，图像识别技术作为人工智能的一个重要领域有了飞速的发展。目前图像识别技术已经在交通、刑事侦查和通信等领域有了普遍的应用。现阶段，关于水果等产品的识别分类研究比较多，而关于蔬菜的研究则比较少，尤其是针对叶类蔬菜的识别分类研究，则是更少了。

与此同时，人们对于食品安全问题也越来越重视了，因为随着国家经济的快速发展，人们生活质量得以提高，而食品安全则是保障人们生活质量的重要因素之一。食品安全与人们的生命和健康息息相关，同时也是国家发展和安定重要前提。上世纪末，欧盟爆发了大量严重的食品安全事故，为了避免今后不再产生这样的问题，欧盟开始建立食品可追溯制度，并对其制定了相关的法律法规^[1]，所有在市场上交易的食品，都被要求必须能够实现可追溯功能，否则，都会被禁止出现在市场上。随后，各个发达国家也效仿建立了符合各自国家国情的食品安全追溯系统。而我国从2002年起，也开始逐步推进食品安全系统的建设，范围覆盖了多个食品领域。在食品安全追溯系统中，叶类蔬菜溯源系统是一个能够衔接叶类蔬菜从种植到销售每一个环节，并且各个环节中关于叶类蔬菜的一切信息，消费者都可以通过建立的信息管理系统查询到。但是在各个环节中关于叶类蔬菜品种的信息采集仍存在以下的一些问题：

（1）叶类蔬菜种类信息的准确性

目前我国关于叶类蔬菜种类的信息采集还是靠人工实现的，用人眼去识别分类叶类蔬菜，不仅识别的速度慢、效率低，而且人作为一个个体，每个人的分类标准都不一样，所以会导致分类精度的差异。同时，由于我国农村的教育相对比较落后，农民的文化水平都普遍不高，而在建立食品安全追溯系统的过程中，需要建立“叶类蔬菜电子溯源档案”，如果农民在输入叶类蔬菜信息的时候出现了错误，便会直接影响到这个档案的准确性。

（2）叶类蔬菜种类名称的标准化

因为我国地域广大，叶类蔬菜品种繁多，每一个地区对于叶类蔬菜的名称都有可能不一样，比如，通菜又可以称为空心菜等。所以，叶类蔬菜的名称如果没有统一的标准就很难保障电子溯源档案的顺利建立。同时，叶类蔬菜种类名称的标准化也可以保障叶类蔬菜能顺利的进入市场进行交易。因此，叶类蔬菜种类名称的标准化是必然的选择。

（3）叶类蔬菜种类识别的商品化

与西方发达国家相比，我国对于农产品的商品化处理并不够重视，为了提高我国的农场品在国际市场上的竞争力，亟需发展农产品商品化处理。而叶类蔬菜的分类识别是商品化处理的一个重要部分，但是我国主要是靠人工完成叶类蔬菜的分类识别，这样非常容易导致产品的品质不及格，因而，对叶类蔬菜的识别分类也是完善叶类蔬菜溯源系统的一个重要要素。

1.1.2 研究目的及意义

随着叶类蔬菜市场模块的不断发展以及科学技术的不断提高，市场对于蔬菜自动识别分类的需求也日益提高。因为计算机视觉易于实现信息的整合，并且他的检测方式是非接触模式，而且还具有运行速度快、抗干扰能力强等特点，所以引入了计算机视觉技术，针对解决一些人工无法精确完成的工作或者自动化生产水平较低的场合。如叶类蔬菜溯源系统中的种植环节，目前主要还是靠人力来完成叶类蔬菜信息的“溯源电子档案”，如果用计算视觉技术来对叶类蔬菜进行自动识别分类，而人的工作则只需将同种叶类蔬菜进行归类，然后对每种叶类蔬菜中的某一个代表该类所有蔬菜用该系统识别分类并得到其种类信息。本文的研究对象是采摘后的成熟的叶类蔬菜，根据叶类蔬菜自身所特有的视觉特点如颜色、形状等方面进行分析研究，对于叶类蔬菜来说，其纹理比较复杂，所以主要通过形状来进行分类。

叶类蔬菜溯源是追溯系统的组成部分。叶类蔬菜质量和安全是及其重要的。叶类蔬菜溯源系统就是对叶类蔬菜进行跟踪，一旦出现问题就可以很快找到相关责任人。在建立和食品追溯系统中，第一步就是要建立信息档案，这个信息档案实际上应该是一个数据库，包含着每一种食品的特征。在食品追溯系统中，叶类蔬菜是其中重要的一类，靠人工识别建立信息档案是不现实的，因为某些叶类蔬菜的视觉形态是非常的相似，其识别分类本身就存在一定的难度，同时数据的收集量也是庞大的，靠人工完成不仅易出错，而且效率低。所以采用计算机视觉技术建立一个关于叶类蔬菜的识别分类系统时值得我们去研究的。

1.2 国内外研究现状

1.2.1 国外研究现状

国外从1970年开始，就运用了计算机视觉技术对果蔬进行识别和分类处理，他们在果蔬识别分类这个领域研究的的时间比较长，并且也取得了许多重要成果。

1995年，Nozer^[2]等利用计算机视觉技术，采用了BP神经网络分类决策，建立了一个水果自动识别分级系统，经过提取水果的轮廓特征、颜色和重量等作为特征参数，最终该系统的正确分级率为85.1%。

1999年，Cao、Nagata^[3]等采用彩色空间模型和计算机视觉技术提出一种能够提取草莓形状方法，并且该研究发现通过彩色空间模型提取的特征不受外界光照影响。

2000年，Majumdar^[4]等同样利用计算机视觉技术，通过对多种麦粒的形状特征进行分析研究，得到较好的分类结果，分类的正确率为：小麦98%，大麦93%，燕96%。

2009年，Seng^[5]等观察发现某些水果的颜色和形状十分相似，仅采用颜色和形状的特征并不能完成识别。因此，他们结合了尺寸特点，同时采用最小近邻分类器训练模型。实验结果表明该提取方法识别率达到了90%。

2012年，Shiv Ram Dubey^[6]等提出了一套方法，既可以对苹果类水果进行识别分，还可以用来检测水果的质量，研究对比了颜色聚合向量、完全局部二值化模型、全局颜色直方图和局部二值化模型这四种特征表达方法，最后采用支持向量机（SVM）进行分类，结果显示完全局部二值化模型的分类效果最佳，识别率为93.14%。而颜色聚合向量的识别率为86.47%，全局颜色直方图方法为80.94%，局部二值化模型为90.97%。

1.2.2 国内研究现状

国内对于计算机视觉研究也有将近30年的历史，研究热点集中电子监控方面，在农业方面的研究和应用则相对较少，大部分都是关于静态水果的检测、水果表面颜色成熟度分级、水果表面缺陷检测等方面的应用。

何东健^[7]等采用计算机视觉原理对苹果进行了分级识别。在HIS彩色空间模型中，计算一个适合的色度阈值，并以该阈值下的苹果着色面积在整个图像中的比例作为分级的评判标准，其分级的准确度达到88%。

赵杰文^[8]等对成熟的番茄做了识别研究。在HIS彩色空间模型下，以成熟、不成熟的番茄和番茄枝叶的关于色调H的差异作为分割标准，成功从复杂背景中将成熟番茄提取出来，最终达到了很好的识别效果。

刘国敏^[9]等对脐橙做了分级检测研究。首先在HSI彩色空间模型和RGB彩色空间模型下，提取了脐橙的颜色特征，并对其色泽进行了描述，然后采用神经网络在颜色特征参数和色泽之间建立一种关系模型。研究证明，该模型对脐橙的自动分级精确度能够满足要求。

郝敏^[10]等主要依据马铃薯的轮廓进行了分类研究。将马铃薯图像的Zernike 矩参数当作支持向量机的特征输入对其进行分类识别。

叶萍^[11]等计算了植物叶片样本图像的几种形状特征，并将这些特征作为神经网络的输入样本进行分类识别，识别率达到92%。

1.3 论文主要内容及结构安排

1.3.1 主要内容

本文针对叶类蔬菜，运用计算机图像技术，完成对叶类蔬菜的识别分类。同时以菠菜、空心菜、生菜、白菜、油麦菜五种叶类蔬菜图像为研究对象，综合颜色特征与形状特征二者的优势对叶类蔬菜进行分类识别。主要研究内容包括：

（1）介绍了叶类蔬菜识别分类系统的总体设计方案，采集拍摄五种叶类蔬菜图像共250张作为训练以及测试系统的样本；

（2）利用Visual Studio调用计算机视觉库OpenCV对图像进行预处理，步骤包括图像归一化、滤波、边缘检测和阈值分割等；

（3）分别从颜色、形状两方面研究叶类蔬菜的特征，选择最佳的特征参数作为后续识别分类的判断依据；

（4）设计叶类蔬菜识别分类系统。

1.3.2 结构安排

全文内容结构安排如下：

第1章：介绍了题目的选题背景，选题目的和意义，分析了国内外关于果蔬识别分类系统的研究现状，针对存在的问题，指出本文的工作内容以及章节安排；

第2章：介绍了叶类蔬菜分类系统的总体设计方案。

第3章：介绍图像预处理的具体步骤与方法，详细介绍了图像去噪以及分割的处理方法；

第4章：介绍了图像的颜色模型，同时基于OpenCV Visual分析选择适合后续识别分类的蔬菜的颜色和形状特征并完成了特征提取。

第5章：基于SVM支持向量机，介绍SVM的基本原理。采用RBF核函数设计识别分类系统，实现叶类蔬菜的分类识别，并针对系统做经济型环保性分析；

第6章：对研究内容及存在的问题进行总结与展望。

第2章 叶类蔬菜识别分类系统的总体方案设计

叶类蔬菜识别分类系统主要由硬件和软件这两个部分组成，本章将从这两个方面进行介绍。这个系统的目的是对不同种类的叶类蔬菜进行自动识别分类。本文针对采摘过后的叶类蔬菜设计了静态的图像采集系统共实际的的类蔬菜信息采集所用。

2.1 系统硬件设计

叶类蔬菜识别分类系统需要用摄像机对载物台上的叶类蔬菜图像进行拍摄，然后通过图像采集卡将拍摄的叶类蔬菜图像转成数字图像传输到计算机中进行后续处理。叶类蔬菜分类系统的硬件装置主要包括：计算机、摄像机，图像采集卡、数据传输线、载物台和人造光源，叶类蔬菜分类系统的硬件装置如图2.1所示。

图2.1 分类系统装置设计图

叶类蔬菜识别分类系统的流程为：

（1）将采摘后的叶类蔬菜放置在载物台上，由摄像机拍摄图像后传输到计算机当中进行后续处理。

（2）通过计算机程序对刚采集拍摄的叶类蔬菜图像进行尺寸归一化、滤波、图像分割等预处理操作。

（3）提取图像的特征与之前训练得出的数据库中的特征参数进行对比。

（4）最后在计算机上显示出叶类蔬菜的类别名称。

2.2 系统软件设计

本节将对研究中用到的编程环境和计算机视觉库OpenCV进行介绍。本系统的技术核心是计算机图像处理与模式识别技术。一个良好的开发环境，能使设计的叶类蔬菜分类系统能正常的运行并完成分类识别。

2.2.1 开发环境

本文中基于Windows10操作系统，采用Visual Studio为开发工具，以C 语言作为接口，完成对叶类蔬菜样本图像的预处理、图像分割、图像分析和图像分类识别的工作。Visual Studio提供了代码信息指示、内存诊断、调试和使用快捷键移动整行或整块的代码等多种强大的工具和服务，这些工具可以帮助用户在编程时提高效率。本文中使用的Visual Studio是Visual Studio 2013版本。

2.2.2 计算机视觉库OpenCV

OpenCV（Open Source Computer Vision，开源计算机视觉库）是一个免费的跨平台计算机视觉库，可以运行在Android、Linux、Windows等操作系统上。它具有高效并且数量级小的优点，同时提供了很多计算机语言的接口，能够编写很多关于图像处理和分析的通用算法。

随着摄像机性能的提高以及影像学方面的进步，OpenCV既可以用于工业上的需求，也可以用于学术上的研究，其应用越来越广泛。

2.3 图像采集

首先对叶类蔬菜图像进行采集，这是实现计算机对叶类蔬菜图像进行颜色与形状特征参数提取的第一步，也是最基础的一步。叶类蔬菜图像的采集过程就是将自然状态下的非数字化的叶类蔬菜图像转化为数字化图像可供计算机识别操作。然后将采集到的图像输入计算机中进行下一步处理。

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：